本发明涉及金融风险预警，特别涉及一种融合了供应链中结构信息和趋势影响的金融风险预警方法。
背景技术：
：：1、企业稳定是国民经济的基础，这是一个不可否认的客观事实。然而，人为控制的有限性和社会经济环境的复杂性使得企业的内外部条件展现出了动态多变的特点，这就给企业的生产经营带来了很多的不确定性，并且这些不确定性往往会产生一些异常的风险。所以，为了防范这些风险，避免企业陷入经营困境、破产、甚至引发系统性风险和金融危机，学术界和产业界都开展了许多研究，旨在能够准确识别并预防潜在的企业风险。2、一个显著的特点是，市场上的企业由于其生产和经营活动而相互影响，形成了紧密的利益共同体。因此，企业的潜在风险不仅与企业自身的经营状况有关，而且还可能与其它相关企业的传染效应有关。对此，很多研究将企业之间的相互关系纳入考虑，从而检测这种潜在的风险。3、为了捕捉相关企业的传染效应，一些学者初步尝试利用图神经网络来整合企业关系以进行风险检测。他们将整个市场建模为一个图，模拟信息传播，其中一个节点代表一家企业，两个节点之间的边表示溢出效应，由特定的企业关系表示，如行业和股东。典型的例子有：chen等人(2018)使用了股权信息构建企业图，并利用gcn模型来预测股价波动；zhao等人(2021)使用了多尺度的gcn网络来捕捉同一行业中企业之间的溢出效应，并发现这些相互作用有助于检测异常的股价波动。由于这种通用关系存在企业运营方面的限制，一些研究进一步探讨了供应链关系的作用，以识别企业风险，例如chen等人(2019)发现，利用供应链关系将企业联系在一起可以更好地吸收溢出效应，捕捉股票波动。4、本质上讲，这种性能提升来自于供应链关系中各企业之间的业务联系，这些业务联系包含了有关企业的业务流向信息，例如供应商、合作伙伴和客户关系，可以描绘企业之间运营溢出的影响，反映其当前的风险暴露。具体来说，chen等人(2019)利用了2009年至2015年的财务数据，发现客户关系和供应商关系在预测股价波动方面可能发挥不同的作用，因而适当应用供应链关系并充分捕捉企业在供应链中的独特情况以识别潜在的企业风险是一项相当具有挑战性的任务。5、此外，针对在同一行业内、不同行业间企业节点之间的关联关系，yi-ling hsu等人提出了一种fingat模型(y.l.hsu,y.c.tsai,c.t.li,fingat:financial graphattention networks for recommending top-k k profitable stocks,ieeetransactions on knowledge and data engineering35(2021)469–481)，采用全连接的方式，使神经网络可以自适应学习连接权重，从而弥补预定义关联关系中缺失的信息。并且，该研究还利用了短期和长期时序信息以提高企业表征的丰富度，而层次信息聚集方式则首先利用行业内部企业信息来获取行业节点表示，然后在行业层面进行信息传递，最后结合各部分得到的表征进行涨跌和收益率预测。6、以上研究虽然是基于供应链关系来进行图神经网络的研究，但这些研究没有深入挖掘供应链关系中包括的信息，其只是将供应链关系简化为一个无向图，并未区分供应链中不同的业务联系，导致所有业务流向都遵循了相同的扩散机制。此外，由于企业的运营条件不同，每个供应链都具有不同的全局环境信息，因而如何捕捉每个企业所面临的不同环境信息也是关键步骤之一。技术实现思路1、本发明提供了一种融合了供应链中结构信息和趋势影响的金融风险预警方法，旨在从供应链角度合理地学习上市企业表征，并有效传播预警信息，最终达到金融风险预警的目的。2、为实现上述目的，本发明采用的技术方案如下：3、融合了供应链中结构信息和趋势影响的金融风险预警方法，包括以下步骤：4、(1)根据企业的经营产品和范围，构建供应链关系图，以此链接各个上市企业；所述供应链关系图中记录了整条供应链中产品服务的流动路径，用以反应各企业之间的业务来往情况；5、(2)采用以下信息传递机制，为供应链中不同的业务流向建模并更新链接两端的上市企业节点特征：6、7、式中，表示在第l次聚集时在业务流向r中聚集的信息表征；表示上市企业i、j在(l-1)次聚集信息后得到的表征；ri表示供应链关系中的跟上市企业i相关的业务流方向的集合；表示上市企业i通过业务流向r相连的邻居企业节点集合；h为双线性模型的训练参数；为针对每一个业务流向的映射参数；b表示偏置项；8、(3)基于步骤(2)获得的不同业务流向中的信息表征，利用以下图注意力机制，自适应地改变不同业务流向对目标企业的相对重要性，以此更改多个业务流向中获得的信息表征对当前节点的影响强度：9、10、式中，表示上市企业i的邻居节点；w为线性变换的参数；σ为激活函数；αi,r为经过softmax函数归一化后业务流向r对上市企业i的相对影响强弱；11、(4)利用最大化上市企业的节点表征与其处于供应链全局表征的互信息，实现金融风险预警，具体表征形式如下：12、13、式中，lossdgi为互信息；gp表示根据供应链p所构建的供应链关系图结构数据；表示除开供应链p之外的供应链所构建的供应链关系图结构数据；为供应链p的上市企业集合；为属于供应链p的上市企业表征，其为正样本；为从非产业链p中采样得到的上市企业表征，其为负样本；sp为供应链p的表征，通过平均供应链中的上市企业表征得到供应链p的初始化表征；是基于图结构数据gp中采样得到的样本点计算的期望，该期望是和sp两个随机变量分布的js散度；为一个可训练的判别器，输入和sp一对样本返回一个分数。14、具体地，所述步骤(3)中，αi,r由以下公式计算得到：15、16、式中，exp(·)为指数函数；ri表示上市企业i所关联的业务流向集合；ei,r代表业务流向r对上市企业i的相对影响强度；代表所有的业务流向加和后对上市企业i的相对影响强度。17、进一步地，所述ei,r由以下公式计算得到：18、19、式中，leakyrelu为激活函数；w和a均为训练参数，at代表a的转置。20、再进一步地，所述步骤(2)中，的取值在0到1之间。21、与现有技术相比，本发明具有以下有益效果：22、本发明根据企业的经营产品和范围，构建了供应链关系图，然后在此基础上进行图动态关系建模(包含信息传递机制和图注意力机制的加入)以及全局信息捕捉的方案设计，如此一来，本发明通过扩大正样本(属于供应链的上市企业表征)与其对应供应链变量的分布相似度，同时要求负样本(非产业链中采样得到的上市企业表征)与该供应链变量的分布相似度尽量小，从而将上市企业所处的环境信息编码进入其表征，即可使不同供应链中各上市企业的表征更具区分度，最终通过全连接层预警金融风险事件的出现。23、本发明各个环节环环相扣、相辅相成、紧密联系，充分探索了供应链关系，特别是各种业务流向中的独特扩散机制和不同类型的供应链中的全局环境信息，从而准确、全面地捕获了企业之间固有的相互作用和溢出效应，有效识别出了潜在的企业风险。当前第1页12当前第1页12